本发明专利技术涉及一种推荐方法及系统，其中，推荐方法包括以下步骤：构建目标用户被消耗的物品集合对应目标用户的社交网络；根据物品集合建立目标用户的动态个人兴趣模型；根据物品集合构建社交网络的短期兴趣模型；构建社交网络的长期兴趣模型；根据短期兴趣模型和长期兴趣模型进行拼接；计算目标用户的节点表示和社交网络中朋友的节点表示；根据社交网络中朋友关于目标用户的权值计算合并特征权值；对合并特征权值进行非线性变换；根据动态个人兴趣模型计算；根据用户的最终兴趣得到推荐物品的概率；根据推荐物品的概率计算对数似然函数值；在本发明专利技术的技术方案中，其能够同时考虑用户的社交关系和用户的动态兴趣爱好因素，以提升推荐的准确性。
Recommendation methods and systems, computer devices, computer readable storage media
【技术实现步骤摘要】
推荐方法及系统、计算机装置、计算机可读存储介质
本专利技术涉及信息推荐领域，尤其涉及一种推荐方法、一种推荐系统、一种计算机装置和一种计算机可读存储介质。
技术介绍
Hidasi等人提出了一个利用LSTM来进行基于会话的推荐的技术。该方法主要利用了上文提到的LSTM根据用户的历史消费记录来建模每一个消费物品的表示。为了推荐下一个物品，他们利用用户消费的最后一个物品来表示用户的当前兴趣，我们根据这个兴趣的数学表示，计算当前兴趣与所有物品的相似程度，最终我们向用户推荐一个与当前兴趣最相近的物品。该技术是一项成熟的技术，但是它存在很多问题。首先它没有建模用户的长期兴趣，仅仅用用户的近期消费记录来建模他的近期兴趣。另外一个问题是它没有考虑用户的社交影响，这使得模型的预测有很大的偏差。Chaney等人提出了一个社交柏松分解模型。他们建模了一种信任因子来刻画朋友对某个用户的推荐影响程度，在建模用户兴趣的时候考虑了朋友的影响，但是这个模型提出已经很久了，并且没有考虑消费历史记录的序列化特征，因此也存在一定的缺陷。现有技术或者对用户的动态兴趣进行建模或者对推荐系统中的社交影响进行分析，但据我们所知，尚没有一种技术将上述两个因素结合起来。最近的一项研究关于使用递归神经网络模拟会话级的用户行为，但没有考虑社交影响。其他的工作研究了社交影响，例如，Ma等人探讨了朋友的社交关系对推荐的系统影响。但是，来自不同用户的影响都是静态的，它们不会根据被推荐用户当前的兴趣而发生变化。
技术实现思路
本专利技术旨在至少解决现有技术或相关技术中存在的技术问题之一。为此，本专利技术的一个目的在于提供一种基于会话和社交影响的推荐方法，其能够同时考虑用户的社交关系和用户的动态兴趣爱好因素，以提升推荐的准确性；并依据用户自己的兴趣爱好，动态推断社交关系中影响力较高的朋友，使当前兴趣相近的朋友对推荐结果影响更大。本专利技术的另一个目的在于提供一种基于会话和社交影响的推荐系统，其能够在生成推荐结果时，综合考虑用户自身兴趣和其朋友兴趣，加入了对朋友影响力的动态推断模块，从而更好的抓取相关朋友的近期爱好，使之服务于目标用户的物品推荐。本专利技术的再一个目的在于提供一种计算机装置。本专利技术的又一个目的在于提供一种计算机可读存储介质。为实现上述目的，本专利技术第一方面的技术方案提供了一种基于会话和社交影响的推荐方法，包括以下步骤：构建目标用户当前会话中被消耗的物品集合对应目标用户的社交网络G，令：G＝(U，E)；其中，u表示目标用户，U表示社交网络中目标用户u的朋友的集合，E表示与目标用户u的社交关系，i表示被消耗商品；根据物品集合建立目标用户的动态个人兴趣模型，令：其中，hn表示目标用户的最新兴趣，hn-1表示最新兴趣的前一个兴趣，f表示将最新被消耗商品与前一个兴趣结合的非线性函数；根据物品集合构建社交网络G的短期兴趣模型令：其中，表示社交网络G中朋友k的最新兴趣，表示朋友k的前一个兴趣；构建社交网络G的长期兴趣模型令：其中，社交网络G中朋友k的长期兴趣模型是用户嵌入表示矩阵Wu的第k行；根据短期兴趣模型和长期兴趣模型进行拼接，得到拼接模型sk，令其中，ReLU(x)＝max(0，x)是一个非线性的激活函数，W1是变换矩阵；计算目标用户的节点表示和社交网络G中朋友k的节点表示令：其中，为目标用户u在l层的表示，为计算两个节点的相似度的函数，为社交网络G中用户k关于目标用户u的权值；根据社交网络G中朋友k关于目标用户u的权值计算合并特征权值，令：其中，是目标用户u的社交网络G的兴趣在l层上的融合；对合并特征权值进行非线性变换，得到：其中，W(l)是l层的一个共享的并且可以学习的权值矩阵；根据动态个人兴趣模型计算得到用户的最终兴趣，令：其中，W2为线性变换矩阵，为目标用户的最终兴趣；根据用户的最终兴趣得到推荐物品是y的概率，即：其中，N(u)为社交网络G中用户的个数，zy为物品y的嵌入表示，|I|为物品的个数；根据推荐物品是y的概率计算物品的对数似然函数值：在该技术方案中，本方法旨在同时建模用户的动态兴趣和实时社交影响。具体而言，我们使用神经网络技术对用户当前的会话进行建模，提取出用户的兴趣偏好，并实时计算用户的朋友在当前场景下对其产生的影响，结合自身爱好和朋友影响进行物品推荐。在上述技术方案中，优选地，将最新被消耗商品与前一个兴趣结合的非线性函数f为：其中，σ为sigmoid函数，σ(x)＝(1+exp(-x))-1。本专利技术第二方面的技术方案提供了一种基于会话和社交影响的推荐系统，包括：构建模块，被设置为用于构建目标用户当前会话中被消耗的物品集合对应目标用户的社交网络G，令：G＝(U，E)；其中，u表示目标用户，U表示社交网络中目标用户u的朋友的集合，E表示与目标用户u的社交关系，i表示被消耗商品；动态个人兴趣模型建立模块，被设置为用于根据物品集合建立目标用户的动态个人兴趣模型，令：其中，hn表示目标用户的最新兴趣，hn-1表示最新兴趣的前一个兴趣，f表示将最新被消耗商品与前一个兴趣结合的非线性函数；短期兴趣模型构建模块，被设置为用于根据物品集合构建社交网络G的短期兴趣模型令：其中，表示社交网络G中朋友k的最新兴趣，表示朋友k的前一个兴趣；长期兴趣模型构建模块，被设置为用于构建社交网络G的长期兴趣模型令：其中，社交网络G中朋友k的长期兴趣模型是用户嵌入表示矩阵Wu的第k行；拼接模块，被设置为用于根据短期兴趣模型和长期兴趣模型进行拼接，得到拼接模型sk，令其中，ReLU(x)＝max(0，x)是一个非线性的激活函数，W1是变换矩阵；计算模块，被设置为用于计算目标用户的节点表示和社交网络G中朋友k的节点表示令：其中，为目标用户u在l层的表示，为计算两个节点的相似度的函数，为社交网络G中用户k关于目标用户u的权值；合并特征权值计算模块，被设置为用于根据社交网络G中朋友k关于目标用户u的权值计算合并特征权值，令：其中，是目标用户u的社交网络G的兴趣在l层上的融合；非线性变换模块，被设置为用于对合并特征权值进行非线性变换，得到：其中，W(l)是l层的一个共享的并且可以学习的权值矩阵；最终兴趣计算模块，被设置为用于根据动态个人兴趣模型计算得到用户的最终兴趣，令：其中，W2为线性变换矩阵，为目标用户的最终兴趣；概率计算模块，被设置为用于根据用户的最终兴趣得到推荐物品是y的概率，即：其中，N(u)为社交网络G中用户的个数，zy为物品y的嵌入表示，|I|为物品的个数；对数似然函数值计算模块，被设置为用于根据推荐物品是y的概率计算物品的对数似然函数值：在该技术方案中，在推荐系统中，同时考虑用户的社交关系和用户的动态兴趣爱好因素，以提升推荐的准确性；并依据用户自己的兴趣爱好，动态推断社交关系中影响力较高的朋友，使当前兴趣相近的朋友对推荐结果影响更大。为了提升在线平台推荐系统的准确性，本专利技术中提出对用户的动态兴趣爱好和动态社交关系进行建模。在生成推荐结果时，综合考虑用户自身兴趣和其朋友兴趣，加入了对朋友影响力的动态推断模块，从而更好的抓取相关朋友的近期爱好，使之服务于目标用户的物品推荐。在上述技术方案中，优选地，将最新被消耗商品与前一个兴趣结合的非线性函数f为：其中，σ为sigmoid函数，σ(x)本文档来自技高网...
【技术保护点】
1.一种基于会话和社交影响的推荐方法，其特征在于，包括以下步骤：构建目标用户当前会话中被消耗的物品集合
【技术特征摘要】
1.一种基于会话和社交影响的推荐方法，其特征在于，包括以下步骤：构建目标用户当前会话中被消耗的物品集合对应所述目标用户的社交网络G，令：G＝(U，E)；其中，u表示所述目标用户，U表示所述社交网络中所述目标用户u的朋友的集合，E表示与所述目标用户u的社交关系，i表示被消耗商品；根据所述物品集合建立所述目标用户的动态个人兴趣模型，令：其中，hn表示所述目标用户的最新兴趣，hn-1表示所述最新兴趣的前一个兴趣，f表示将所述最新被消耗商品与所述前一个兴趣结合的非线性函数；根据所述物品集合构建所述社交网络G的短期兴趣模型令：其中，表示社交网络G中朋友k的最新兴趣，表示朋友k的前一个兴趣；构建所述社交网络G的长期兴趣模型令：其中，所述社交网络G中朋友k的长期兴趣模型是用户嵌入表示矩阵Wu的第k行；根据所述短期兴趣模型和所述长期兴趣模型进行拼接，得到拼接模型sk，令其中，ReLU(x)＝max(0，x)是一个非线性的激活函数，W1是变换矩阵；计算所述目标用户的节点表示和所述社交网络G中朋友k的节点表示令：其中，为所述目标用户u在l层的表示，为计算两个节点的相似度的函数，为所述社交网络G中用户k关于所述目标用户u的权值；根据所述社交网络G中朋友k关于所述目标用户u的权值计算合并特征权值，令：其中，是所述目标用户u的社交网络G的兴趣在l层上的融合；对所述合并特征权值进行非线性变换，得到：其中，W(l)是l层的一个共享的并且可以学习的权值矩阵；根据所述动态个人兴趣模型计算得到用户的最终兴趣，令：其中，W2为线性变换矩阵，为所述目标用户的最终兴趣；根据所述用户的最终兴趣得到推荐物品是y的概率，即：其中，N(u)为所述社交网络G中用户的个数，zy为物品y的嵌入表示，|I|为物品的个数；根据推荐物品是y的概率计算物品的对数似然函数值：2.根据权利要求1所述的基于会话和社交影响的推荐方法，其特征在于：将所述最新被消耗商品与所述前一个兴趣结合的非线性函数f为：其中，σ为sigmoid函数，σ(x)＝(1+exp(-x))-1。3.一种基于会话和社交影响的推荐系统，其特征在于，包括：构建模块，被设置为用于构建目标用户当前会话中被消耗的物品集合对应所述目标用户的社交网络G，令：G＝(U，E)；其中，u表示所述目标用户，U表示所述社交网络中所述目标用户u的朋友的集合，E表示与所述目标用户u的社交关系，i表示被...
【专利技术属性】
技术研发人员：宋卫平，肖之屏，王一帆，劳伦特·查林，张铭，唐建，
申请(专利权)人：北京大学，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。